Scientific Agent Skills 之 Cirq 量子实验指南：参数扫描、数据采集与 VQE/QAOA/QPE 全流程

Scientific Agent Skills 之 Cirq 量子实验指南参数扫描、数据采集与 VQE/QAOA/QPE 全流程【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本文档取自 Scientific Agent Skills 仓库中 cirq 技能 的实验参考指南系统讲解如何用 Google Cirq 框架设计、执行并分析量子实验——包括实验类的抽象、参数扫描parameter sweep、数据采集与结构化保存、ReCirq 风格的可复现实验组织、并行任务收集以及 VQE、QAOA、QPE 三大经典算法的落地实现。读完本文你将能够用一套「构建电路 → 参数扫描 → 批量采集 → 统计/可视化分析」的标准化流程独立完成一个从想法到结论的量子实验闭环并具备将其迁移到真实量子硬件前的全部软件侧能力。1. 本文在仓库中的定位与运行前提在本仓库中cirq 技能 是面向科学智能体AI Scientist的文档型技能库skills/cirq/目录下不含可执行脚本而是由 1 份 SKILL.md 与references/目录下的六篇参考指南构成分别覆盖电路构建building、仿真simulation、变换/编译transformation、硬件接入hardware、噪声建模noise与量子实验experiments即本文。因此本文中的全部示例代码都需要在读者自己的环境中运行。运行环境要求依据 SKILL.md 安装小节Python 3.11Cirq 稳定版1.6.1截至本仓库编写时的版本建议生产/硬件运行环境固定版本号以保证可复现uv pip install cirq1.6.1本文示例还会用到numpy、pandas、sympy、scipy、matplotlib、networkx与 Python 标准库multiprocessing。按 SKILL.md 的定位说明Cirq 适用于 Google Quantum AI 硬件、噪声感知电路设计、参数扫描与 ReCirq 实验模式等场景若目标是 IBM 硬件可转向 qiskit 技能量子机器学习请用 pennylane 技能物理系统仿真请用 qutip 技能。2. 实验设计用基类统一「构建 → 运行 → 分析」三段式流程任何严谨的量子实验都应把电路构建与数据分析解耦电路只依赖一组可调参数运行器负责采样分析器只消费采样结果。实验中导出的基类QuantumExperiment正是这一模式的落地import cirq import numpy as np import pandas as pd class QuantumExperiment: Base class for quantum experiments. def __init__(self, qubits, simulatorNone): self.qubits qubits self.simulator simulator or cirq.Simulator() self.results [] def build_circuit(self, **params): Build circuit with given parameters. raise NotImplementedError def run(self, params_list, repetitions1000): Run experiment with parameter sweep. for params in params_list: circuit self.build_circuit(**params) result self.simulator.run(circuit, repetitionsrepetitions) self.results.append({ params: params, result: result }) return self.results def analyze(self): Analyze experimental results. raise NotImplementedError设计要点simulator可注入默认是cirq.Simulator()纯态态矢量仿真但也可以传入cirq.DensityMatrixSimulator()含噪声的混态、cirq.CliffordSimulator()仅含 Clifford 门时可指数级加速或后续要接入的硬件Sampler参见仓库内 simulation.md 的性能与选型说明。抽象出「模拟器/采样器」这一层就能让同一套实验代码先在本地仿真上跑通再原样切换到量子硬件。build_circuit/analyze作为抽象方法把「每个参数点对应什么电路」和「结果如何解读」留给子类基类只管循环调度与结果归档。results累积全部数据点每条记录同时保存参数快照与原始Result对象便于后续做任何粒度的重分析。一个继承示例完整版见第 9 节的 VQE 端到端实验只需实现build_circuit即可自动获得整轮参数扫描能力。3. 参数扫描用sympy符号参数 Sweep 组合器批量探索参数空间3.1 参数化电路与 sweep 定义量子变分类算法VQE、QAOA 等的核心是「参数化线路 扫描求解」。Cirq 采用sympy 符号参数机制把sympy.Symbol直接嵌入门对象待运行前再经参数解析器绑定具体数值。import sympy # Define parameters theta sympy.Symbol(theta) phi sympy.Symbol(phi) # Create parameterized circuit def parameterized_circuit(qubits, theta, phi): return cirq.Circuit( cirq.ry(theta)(qubits[0]), cirq.rz(phi)(qubits[1]), cirq.CNOT(qubits[0], qubits[1]), cirq.measure(*qubits, keyresult) ) # Define sweep sweep cirq.Product( cirq.Linspace(theta, 0, np.pi, 20), cirq.Linspace(phi, 0, 2*np.pi, 20) ) # Run sweep circuit parameterized_circuit(cirq.LineQubit.range(2), theta, phi) results cirq.Simulator().run_sweep(circuit, paramssweep, repetitions1000)逐个拆解这段代码的工程语义符号参数theta、phi以sympy.Symbol形式传给cirq.ry/cirq.rz构造出带自由参数的 GateOperation。测量门统一使用keyresult命名后续读取结果时用它作索引。cirq.Linspace(theta, 0, np.pi, 20)在区间[0, π]内等间隔取 20 个点(key, start, stop, length)四个参数的含义一目了然你也可以改用命名参数写法cirq.Linspace(keytheta, start0, stop2*np.pi, length50)见 simulation.md。cirq.Product对两个一维扫描做笛卡尔积共产生20 × 20 400个参数组合点遍历全部组合。这是「扫网格、画能量景观」的标准做法。run_sweepCirq 提供的高效批量入口一次调用完成全部 400 点采样返回一个Result列表其顺序与sweep的迭代顺序一一对应。对比「手写 for 循环逐个simulator.run(...)」的做法run_sweep能复用仿真器的内部调度是仿真性能优化清单中的明确建议见 simulation.md 的批处理对比。3.2 常见 sweep 组合器选择在 simulation.md 中记录了两种形态各异的组合器实验设计时需要区分组合器语义典型用途cirq.Product(sweep_a, sweep_b)笛卡尔积全组合点数相乘网格化探索两参数空间绘制 2D 参数景观cirq.Zip(sweep_a, sweep_b)按位配对并行点数取最小θ 与 φ 成对变化、互为约束的扫描如保持某个比值固定cirq.Linspace单参数等间隔扫描单个旋转角 θ 从 0 扫到 π运行单个点或少量点时还可以直接给run传param_resolver但参数点一多就应改用 sweep这正是下节数据采集的效率基础。4. 数据采集把扫描结果整理成结构化DataFrame裸的Result对象难以直接做统计与存档。下面的采集函数将每次扫描的「参数值 测量直方图 采样总数」合并成一条记录最终汇总为 pandasDataFrame并可一键导出 CSVdef collect_experiment_data(circuit, sweep, simulator, repetitions1000): Collect and organize experimental data. data [] results simulator.run_sweep(circuit, paramssweep, repetitionsrepetitions) for params, result in zip(sweep, results): # Extract parameters param_dict {k: v for k, v in params.param_dict.items()} # Extract measurements counts result.histogram(keyresult) # Store in structured format data.append({ **param_dict, counts: counts, total: repetitions }) return pd.DataFrame(data) # Collect data df collect_experiment_data(circuit, sweep, cirq.Simulator()) # Save to file df.to_csv(experiment_results.csv, indexFalse)三个值得记录的工程细节zip(sweep, results)的参数对齐run_sweep结果与 sweep 迭代器按序对应因此能用zip把每个结果还原到它的参数点。params.param_dict直接给出该点的{theta: 值, phi: 值}字典展开后即成为DataFrame的独立列。result.histogram(keyresult)把repetitions次采样折叠为{整数值结果: 计数}字典是多比特测量的紧凑表示。需注意当测量多个量子比特时整数值的比特位与测量门中量子比特的声明顺序一致后续按位拆分时要保持同一套顺序约定。采集与落盘分离df同时保留counts原始分布与total采样规模既便于事后计算概率分布也便于审计统计精度。将中间数据即时to_csv落盘符合「昂贵的量子计算/仿真结果绝不丢失」的最佳实践。5. ReCirq 框架为可复现实验引入工程化结构单文件脚本适合原型验证但科学研究要求实验可复现、可追溯、可扩展。ReCirq 正是围绕这一目标提出的结构化实验框架在 SKILL.md 的「When to Use」中ReCirq 实验模式被列为该技能的核心能力之一。其思路是把一个实验拆成职责单一、边界清晰的模块。5.1 标准目录结构 Standard ReCirq experiment structure: experiment_name/ ├── __init__.py ├── experiment.py # Main experiment code ├── tasks.py # Data generation tasks ├── data_collection.py # Parallel data collection ├── analysis.py # Data analysis └── plots.py # Visualization 每个文件的关注点被严格切分experiment.py负责实验总流程编排tasks.py定义单个数据生成任务一个参数点data_collection.py只关心怎么高效地跑完一堆任务analysis.py与plots.py分别负责统计与出图。这样任何一个环节如并行策略、可视化样式的修改都不会污染实验逻辑本身。5.2 任务化数据采集Task-Based Data Collection任务化的核心是用dataclass把一个参数点封装成自包含的任务对象——任务自带参数、知道自己怎么构建电路、怎么运行from dataclasses import dataclass from typing import List import cirq dataclass class ExperimentTask: Single task in parameter sweep. theta: float phi: float repetitions: int 1000 def build_circuit(self, qubits): Build circuit for this task. return cirq.Circuit( cirq.ry(self.theta)(qubits[0]), cirq.rz(self.phi)(qubits[1]), cirq.CNOT(qubits[0], qubits[1]), cirq.measure(*qubits, keyresult) ) def run(self, qubits, simulator): Execute task. circuit self.build_circuit(qubits) result simulator.run(circuit, repetitionsself.repetitions) return { theta: self.theta, phi: self.phi, result: result } # Create tasks tasks [ ExperimentTask(thetat, phip) for t in np.linspace(0, np.pi, 10) for p in np.linspace(0, 2*np.pi, 10) ] # Execute tasks qubits cirq.LineQubit.range(2) simulator cirq.Simulator() results [task.run(qubits, simulator) for task in tasks]任务对象自带默认值repetitions1000、字段即元数据这让参数记录随任务一同流转天然规避了「跑了实验却忘了当时用的什么参数」的经典事故。5.3 并行数据采集Parallel Data Collection参数扫描中每个任务之间彼此独立是教科书式的可并行负载。用multiprocessing.Pool即可把任务均匀分发到多个工作进程from multiprocessing import Pool import functools def run_task_parallel(task, qubits, simulator): Run single task (for parallel execution). return task.run(qubits, simulator) def collect_data_parallel(tasks, qubits, simulator, n_workers4): Collect data using parallel processing. # Create partial function with fixed arguments run_func functools.partial( run_task_parallel, qubitsqubits, simulatorsimulator ) # Run in parallel with Pool(n_workers) as pool: results pool.map(run_func, tasks) return results # Use parallel collection results collect_data_parallel(tasks, qubits, cirq.Simulator(), n_workers8)工程要点functools.partial把qubits、simulator这两个不变参数预绑定使pool.map只需针对变化的任务本身迭代with Pool(n_workers)负责进程池的生命周期管理。需要注意multiprocessing要求任务对象可序列化picklable——这也是为什么推荐用dataclass普通数据类封装任务而非携带不可序列化对象。当任务耗时很长时可进一步考虑把中间结果分批写盘避免单点故障导致全量重跑。6. 三大经典算法落地VQE、QAOA 与 QPE6.1 变分量子本征求解器VQEVQE 用「参数化线路 经典优化器」迭代逼近哈密顿量的基态能量是 NISQ 时代最典型的含噪应用之一。算法分两层量子层计算当前参数下的能量期望值cost_function经典层用无梯度算法更新参数import scipy.optimize def vqe_experiment(hamiltonian, ansatz_func, initial_params): Run VQE to find ground state energy. def cost_function(params): Energy expectation value. circuit ansatz_func(params) # Measure expectation value of Hamiltonian simulator cirq.Simulator() result simulator.simulate(circuit) energy hamiltonian.expectation_from_state_vector( result.final_state_vector, qubit_map{q: i for i, q in enumerate(circuit.all_qubits())} ) return energy.real # Optimize parameters result scipy.optimize.minimize( cost_function, initial_params, methodCOBYLA ) return result # Example: H2 molecule def h2_ansatz(params, qubits): UCC ansatz for H2. theta params[0] return cirq.Circuit( cirq.X(qubits[1]), cirq.ry(theta)(qubits[0]), cirq.CNOT(qubits[0], qubits[1]) ) # Define Hamiltonian (simplified) qubits cirq.LineQubit.range(2) hamiltonian cirq.PauliSum.from_pauli_strings([ cirq.PauliString({qubits[0]: cirq.Z}), cirq.PauliString({qubits[1]: cirq.Z}), cirq.PauliString({qubits[0]: cirq.Z, qubits[1]: cirq.Z}) ]) # Run VQE result vqe_experiment( hamiltonian, lambda p: h2_ansatz(p, qubits), initial_params[0.0] ) print(fGround state energy: {result.fun}) print(fOptimal parameters: {result.x})其中几个环节的实现依据值得展开cirq.PauliSum/cirq.PauliString以字典{qubit: Pauli}描述任意泡利串并组合成哈密顿量的泡利和。这里的简化 H₂ 哈密顿量取Z₀ Z₁ Z₀Z₁即不含量子化学系数、用于演示算法的教学版。expectation_from_state_vector给出态矢量后Cirq 直接计算⟨ψ|H|ψ⟩其中qubit_map必须把「电路实际量子比特对象」映射到「态矢量索引」。这正是第 7 节纯态期望值计算所依赖的同一 API。选择COBYLA一种不需要梯度的约束优化算法非常适合量子变分线路——无需计算解析梯度且对统计噪声有较好耐受性。初始化[0.0]后输出result.fun即基态能量、result.x为最优变分参数。此模板与 SKILL.md 中的变分算法通用模板 完全同构后者将cost_function进一步抽象任何量子化学、量子多体或组合优化问题只要提供「ansatz 代价函数」即可复用同一套优化骨架。6.2 量子近似优化算法QAOAQAOA 面向组合优化此处为 MaxCut。其思想是把问题的代价哈密顿量编码进线路先对所有比特施加 Hadamard 制备均匀叠加再交替施加「问题哈密顿量cost」与「混合哈密顿量mixer」若干层层数即pimport networkx as nx def qaoa_circuit(graph, params, p_layers): QAOA circuit for MaxCut problem. qubits cirq.LineQubit.range(graph.number_of_nodes()) circuit cirq.Circuit() # Initial superposition circuit.append(cirq.H(q) for q in qubits) # QAOA layers for layer in range(p_layers): gamma params[layer] beta params[p_layers layer] # Problem Hamiltonian (cost) for edge in graph.edges(): i, j edge circuit.append(cirq.ZZPowGate(exponentgamma)(qubits[i], qubits[j])) # Mixer Hamiltonian circuit.append(cirq.rx(2 * beta)(q) for q in qubits) circuit.append(cirq.measure(*qubits, keyresult)) return circuit # Run QAOA graph nx.cycle_graph(4) p_layers 2 def qaoa_cost(params): Evaluate QAOA cost function. circuit qaoa_circuit(graph, params, p_layers) simulator cirq.Simulator() result simulator.run(circuit, repetitions1000) # Calculate MaxCut objective total_cost 0 counts result.histogram(keyresult) for bitstring, count in counts.items(): cost 0 bits [(bitstring i) 1 for i in range(graph.number_of_nodes())] for edge in graph.edges(): i, j edge if bits[i] ! bits[j]: cost 1 total_cost cost * count return -total_cost / 1000 # Maximize cut # Optimize initial_params np.random.random(2 * p_layers) * np.pi result scipy.optimize.minimize(qaoa_cost, initial_params, methodCOBYLA) print(fOptimal cost: {-result.fun}) print(fOptimal parameters: {result.x})实现要点拆解每层两个参数gamma驱动 cost 层图上每条边施加一次ZZPowGate(exponentgamma)的两比特相位旋转切割奖励对应比特对取值相异beta驱动 mixer 层rx(2*beta)绕 X 轴的旋转负责在解空间中游走。层数为p时参数总数即2*p这里p_layers2对应 4 个优化参数。从测量直方图反推目标值把每个整数值直方图键按比特位拆成比特串逐边判定「两端比特是否不同」相同1即切开的边数按计数加权后取负号转为最小化问题minimize默认最小化。注意原实现按repetitions1000硬编码归一化若要提高可移植性建议改为total sum(counts.values())后做-total_cost / total避免采样次数改动时代码失配。测试图与初值nx.cycle_graph(4)四节点环是教科书级 MaxCut 基准初值在[0, π]内随机抽取COBYLA会驱动其收敛到切边数最大的比特分配。6.3 量子相位估计QPEQPE 是 Shor 算法与许多量子化学协议的核心子程序用于估算酉算子本征值的相位。其结构为「本征态制备 叠加 → 受控酉幂次 → 逆 QFT → 测量」def qpe_circuit(unitary, eigenstate_prep, n_counting_qubits): Quantum Phase Estimation circuit. counting_qubits cirq.LineQubit.range(n_counting_qubits) target_qubit cirq.LineQubit(n_counting_qubits) circuit cirq.Circuit() # Prepare eigenstate circuit.append(eigenstate_prep(target_qubit)) # Apply Hadamard to counting qubits circuit.append(cirq.H(q) for q in counting_qubits) # Controlled unitaries for i, q in enumerate(counting_qubits): power 2 ** (n_counting_qubits - 1 - i) # Apply controlled-U^power for _ in range(power): circuit.append(cirq.ControlledGate(unitary)(q, target_qubit)) # Inverse QFT on counting qubits circuit.append(inverse_qft(counting_qubits)) # Measure counting qubits circuit.append(cirq.measure(*counting_qubits, keyphase)) return circuit def inverse_qft(qubits): Inverse Quantum Fourier Transform. n len(qubits) ops [] for i in range(n // 2): ops.append(cirq.SWAP(qubits[i], qubits[n - i - 1])) for i in range(n): for j in range(i): ops.append(cirq.CZPowGate(exponent-1/2**(i-j))(qubits[j], qubits[i])) ops.append(cirq.H(qubits[i])) return ops关键设计逐条说明计数寄存器与控制寄存器分离前n_counting_qubits个LineQubit作为计数寄存器第n_counting_qubits号比特承载本征态。受控酉的幂次展开对第i个计数比特施加U^(2^(n-1-i))。实现上通过把cirq.ControlledGate(unitary)循环施加power次达到幂次效果ControlledGate封装任意单比特酉后自动成为两比特受控门控制位为q、目标位为target_qubit。逆 QFT先翻转寄存器顺序SWAP再以CZPowGate(exponent-1/2**(i-j))实现由低位到高位的条件相位最后逐比特施加 Hadamard得到标准逆量子傅里叶变换该函数返回操作列表可直接被circuit.append展开。读取相位对计数寄存器测量后keyphase的直方图整数值按位还原即得相位的小数展开。配合simulate得到的相位估计可与解析值对照完成 QPE 正确性验证。补充约定QPE 与逆 QFT 示例偏教学演示未包含本征态制备的具体实现细节。真实使用时eigenstate_prep通常返回「在 target 比特上制备已知本征态」的操作例如对相位 0.5 的本征态加X。在把这段实验代码投放到真实硬件前建议先用仿真对照已知本征相位确认采样分布峰值对应正确二进制展开。7. 数据分析统计量、期望值与保真度估计7.1 测量统计量分析对任意采样结果第一件要事是把它折叠成概率分布并提取熵与最概然输出。熵刻画分布的确定性——最大混合分布的熵接近比特数而坍缩到单一态的分布熵为 0def analyze_measurement_statistics(results): Analyze measurement statistics. counts results.histogram(keyresult) total sum(counts.values()) # Calculate probabilities probabilities {state: count/total for state, count in counts.items()} # Shannon entropy entropy -sum(p * np.log2(p) for p in probabilities.values() if p 0) # Most likely outcome most_likely max(counts.items(), keylambda x: x[1]) return { probabilities: probabilities, entropy: entropy, most_likely_state: most_likely[0], most_likely_probability: most_likely[1] / total }p 0的过滤保证了log2不会遇到0*log0的未定义情形熵的单位为 bit。这是诊断「实验是否如预期坍缩」「结果是否均匀分散可能是误差或退相干信号」的第一手统计工具。7.2 期望值计算纯态路线测量期望值有两种路线采样法用统计频率近似期望抗噪声但不精确与态矢量法由最终态直接解析计算精确但只适用于无噪声理想仿真。下面是后者def calculate_expectation_value(circuit, observable, simulator): Calculate expectation value of observable. # Remove measurements circuit_no_measure cirq.Circuit( op for op in circuit.all_operations() if not (isinstance(op, cirq.GateOperation) and isinstance(op.gate, cirq.MeasurementGate)) ) result simulator.simulate(circuit_no_measure) state_vector result.final_state_vector # Calculate ⟨ψ|O|ψ⟩ expectation observable.expectation_from_state_vector( state_vector, qubit_map{q: i for i, q in enumerate(circuit.all_qubits())} ) return expectation.real两个需要留意的实现点测量门剔除simulate在存在测量门时会退化为采样而非给出干净态矢量因此要先从线路中移除测量操作。这里通过circuit.all_operations()遍历线路中全部操作注意circuit直接迭代产出的是 Moment逐 Moment 判断isinstance(m, cirq.MeasurementGate)无法命中门实例再剔除门类型为cirq.MeasurementGate的GateOperation。qubit_map映射一致性expectation_from_state_vector需要将各量子比特对象映射到态矢量的索引下标这里通过enumerate(circuit.all_qubits())建立。映射一旦与仿真器的比特排序不一致期望值就会张冠李戴这是此类 API 使用中最常见的错误源。7.3 保真度估计对无噪声仿真两纯态之间的保真度有解析形式F |⟨ψ|φ⟩|²def state_fidelity(state1, state2): Calculate fidelity between two states. return np.abs(np.vdot(state1, state2)) ** 2当只有采样直方图无态矢量时则退化为基于概率分布的经典Bhattacharyya系数平方——它衡量两个测量分布的重叠程度在噪声环境或硬件实验中是可观测量的常用代理指标def process_fidelity(result1, result2): Calculate process fidelity from measurement results. counts1 result1.histogram(keyresult) counts2 result2.histogram(keyresult) # Normalize to probabilities total1 sum(counts1.values()) total2 sum(counts2.values()) probs1 {k: v/total1 for k, v in counts1.items()} probs2 {k: v/total2 for k, v in counts2.items()} # Classical fidelity (Bhattacharyya coefficient) all_states set(probs1.keys()) | set(probs2.keys()) fidelity sum(np.sqrt(probs1.get(s, 0) * probs2.get(s, 0)) for s in all_states) ** 2 return fidelityset(probs1.keys()) | set(probs2.keys())取两个分布支持集的并集配以.get(s, 0)默认值保证了分布形状不同某状态只出现在一边时公式依然成立。典型用途包括理想线路 vs 含噪声线路的输出保真度、同一算法在仿真器与硬件上的结果一致性核验。8. 可视化参数景观、收敛曲线与测量分布可视化是把实验从「数字」变成「洞察」的最后一公里。参数景观把 2D 扫描如 VQE 中 θ-φ 网格上的能量画成等高线/热力填充图一眼看出能量盆地的位置与陡峭程度用于初值选择与代价函数形态诊断import matplotlib.pyplot as plt def plot_parameter_landscape(theta_vals, phi_vals, energies): Plot 2D parameter landscape. plt.figure(figsize(10, 8)) plt.contourf(theta_vals, phi_vals, energies, levels50, cmapviridis) plt.colorbar(labelEnergy) plt.xlabel(θ) plt.ylabel(φ) plt.title(Energy Landscape) plt.show()优化收敛曲线变分类算法VQE/QAOA的关键健康指标是迭代过程中的代价函数轨迹。震荡下行是正常现象长期不降则提示学习率/参数化或线路存在问题def plot_optimization_convergence(optimization_history): Plot optimization convergence. iterations range(len(optimization_history)) energies [result[energy] for result in optimization_history] plt.figure(figsize(10, 6)) plt.plot(iterations, energies, b-, linewidth2) plt.xlabel(Iteration) plt.ylabel(Energy) plt.title(Optimization Convergence) plt.grid(True) plt.show()测量分布直方图直接回答「多次采样后每个结果出现多少次」是验证线路行为与噪声影响的快速通道def plot_measurement_distribution(results): Plot measurement outcome distribution. counts results.histogram(keyresult) plt.figure(figsize(12, 6)) plt.bar(counts.keys(), counts.values()) plt.xlabel(Measurement Outcome) plt.ylabel(Counts) plt.title(Measurement Distribution) plt.xticks(rotation45) plt.tight_layout() plt.show()上述三个函数分别对应对实验不同维度的审视landscape看参数空间、convergence看优化过程、distribution看单点采样结果三者组合即可完整复盘一次实验。9. 完整示例把一切串成一条流水线把基类、扫描、期望值、优化器与可视化统一起来就得到一次端到端 VQE 实验。子类只关心「如何由参数建电路」「如何算能量」运行与分析的骨架完全复用# Full experimental workflow class VQEExperiment(QuantumExperiment): Complete VQE experiment. def __init__(self, hamiltonian, ansatz, qubits): super().__init__(qubits) self.hamiltonian hamiltonian self.ansatz ansatz self.history [] def build_circuit(self, params): return self.ansatz(params, self.qubits) def cost_function(self, params): circuit self.build_circuit(params) result self.simulator.simulate(circuit) energy self.hamiltonian.expectation_from_state_vector( result.final_state_vector, qubit_map{q: i for i, q in enumerate(self.qubits)} ) self.history.append({params: params, energy: energy.real}) return energy.real def run(self, initial_params): result scipy.optimize.minimize( self.cost_function, initial_params, methodCOBYLA, options{maxiter: 100} ) return result def analyze(self): # Plot convergence energies [h[energy] for h in self.history] plt.plot(energies) plt.xlabel(Iteration) plt.ylabel(Energy) plt.title(VQE Convergence) plt.show() return { final_energy: self.history[-1][energy], optimal_params: self.history[-1][params], num_iterations: len(self.history) } # Run experiment experiment VQEExperiment(hamiltonian, h2_ansatz, qubits) result experiment.run(initial_params[0.0]) analysis experiment.analyze()注意cost_function在每次求值时会向self.history追加{params, energy}记录——这是第 8 节plot_optimization_convergence所需输入的自然来源也让analyze()无需重算即可输出收敛曲线与最优解摘要最终能量、最优参数、迭代次数。maxiter100限制迭代预算防止长跑失控。此处的hamiltonian、h2_ansatz、qubits沿用第 6.1 节的定义即可完整运行。10. 最佳实践清单让实验真正可复现原文档给出 10 条实验最佳实践这里结合本仓库的其余参考指南逐一给出落地解读清晰组织实验Structure experiments clearly采用上文 ReCirq 的模块切分experiment / tasks / data_collection / analysis / plots作为目录骨架从结构上保证可复现。分离任务Separate tasks数据生成、数据采集、数据分析各自独立成模块/函数保证任何一环可单独替换与回归测试。系统化使用参数扫描Use parameter sweeps凡涉及参数研究一律用Linspace/Product/Ziprun_sweep而不是手写 for 循环逐点运行性能对比见 simulation.md 的批处理说明。保存中间结果Save intermediate results每完成一批采样立即to_csv/落盘。仿真尚可重跑硬件机时与长优化迭代的代价是不可逆的。尽量并行Parallelize when possible独立任务用第 5.3 节的multiprocessing.Pool分发n_workers建议按 CPU 核数与任务耗时权衡。记录元数据Track metadata记录实验条件、时间戳与软件版本如cirq.__version__、scipy.__version__、随机种子。结合本仓库对版本固定的一致建议SKILL.md 安装节生产级实验应把依赖锁到同一 Cirq release。先在模拟器上验证Validate on simulators任何硬件任务前先在cirq.Simulator()/DensityMatrixSimulator()上跑通并核验正确性——这也正是本节全程使用仿真器的原因硬件事项参见同目录的 hardware.md。实现错误处理Implement error handling长时实验脚本要覆盖try/except、结果文件校验与断点续跑逻辑防止中途失败导致全量返工。版本化管理数据Version control data实验数据与产生它的代码放在同一版本库中提交让数据与代码版本一一对应。充分文档化Document thoroughly记录每个函数的目的、参数含义、默认值与已知边界条件保证他人或未来的自己可以复现并延续工作。若你的实验进一步涉及电路优化减少深度与门数以降低噪声影响可在投放到含噪环境前参考 transformation.md 的编译与变换管线若要为线路加入退极化/退相干等信道、或做随机基准测试RB、XEB等表征实验见 noise.md基础门与线路的组织模式如 GHZ、QFT 等标准型可查 building.md。这些同属 cirq 技能 的参考文档与本指南相互衔接共同构成一套「设计 → 仿真 → 编译 → 噪声 → 实验 → 分析」的完整量子研究工具链。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考